pd.IntervalIndex是pandas中用于表示左闭右开连续区间的索引结构，适用于按时间范围快速定位场景，如订单归属计费周期、访问匹配时间段等，核心价值在于将互斥/非重叠时间段转化为可索引坐标轴。
pd.IntervalIndex 是什么，适合什么场景
pd.IntervalIndex 是 pandas 里专为「连续区间」建索引的数据结构，不是用来存单个时间点的，而是存像 [2023-01-01, 2023-01-15) 这样的左闭右开时间段。它天然支持按时间范围快速定位，比如查“某笔订单落在哪个计费周期内”“某次访问属于哪个小时段”，比用 df[(df['ts'] >= start) & (df['ts'] 手动过滤快得多，尤其当区间数量大、查询频繁时。
注意：它不替代 pd.DatetimeIndex，也不直接用于时间序列重采样；它的核心价值是「把一堆互斥/非重叠的时间段变成可索引的坐标轴」。
构造 IntervalIndex 的常见方式和坑
构造时最容易出错的是区间端点类型不一致或未排序：
- 必须确保左右端点都是同一种时间类型（推荐
pd.Timestamp），混用字符串或datetime.datetime可能导致比较失效 -
pd.IntervalIndex.from_tuples()默认不检查重叠，如果区间有重叠，后续.get_loc()可能返回多个位置，引发KeyError或意外结果 - 用
closed='both'或'neither'要格外小心：pandas 对时间类型的'both'支持有限，多数情况建议坚持默认的closed='left'（即[start, end)）
推荐写法：
import pandas as pd
<p>periods = [
('2023-01-01', '2023-01-08'),
('2023-01-08', '2023-01-15'),
('2023-01-15', '2023-01-22')
]
idx = pd.IntervalIndex.from_tuples(
[(pd.Timestamp(s), pd.Timestamp(e)) for s, e in periods],
closed='left'
)用 .get_loc() 做单点时间查询
.get_loc() 是最常用的时间点落入哪个区间的查询方法，但行为取决于输入：
AI舌诊面诊问诊医疗系统+诊疗商城系统源码
下载
AI 舌诊面诊问诊医疗系统 + 诊疗商城系统源码是一套结合 AI 辅助诊断与商品转化的健康类程序，基于浩创云、ThinkPHP（PHP）开发，支持微信服务号与 H5 端，适合做中医舌诊面诊问答、健康建议推送以及配套诊疗商品的运营。
- 传入单个
pd.Timestamp：返回整数位置（如idx.get_loc(pd.Timestamp('2023-01-10')) → 1） - 传入时间数组（
Series或list）：返回位置数组，但要求所有时间都必须落在某个区间内，否则报KeyError - 若时间点恰好等于某个区间的右端点（比如
2023-01-08），而你用的是closed='left'，那它属于下一个区间，不是上一个——这是最容易误判的地方
安全做法是先用 .contains() 检查是否在任意区间内：
t = pd.Timestamp('2023-01-08')
mask = idx.contains(t)
if mask.any():
pos = idx.get_loc(t)
else:
pos = -1 # 未匹配
结合 DataFrame 实现批量时间段归属
真正实用的场景是：给一列时间戳，批量打上所属时间段标签。别用循环调 .get_loc()，性能差且易错。
正确姿势是把 IntervalIndex 当作索引，用 pd.cut() 或 Series.map()：
-
pd.cut(ts_series, bins=idx, labels=False)返回每个时间对应的区间下标（NaN表示无匹配） - 更直观的是先构建映射表：
lookup = pd.Series(range(len(idx)), index=idx)，再用ts_series.map(lookup) - 如果想返回区间本身（比如显示“第2周”），用
ts_series.map(pd.Series(idx, index=idx))
注意：pd.cut 默认会自动扩展 bin 边界到 ±∞，若你明确只接受完全落在给定区间内的点，得加参数 include_lowest=True 并手动处理边界外值。
区间重叠、端点精度（毫秒级是否对齐）、以及 NaT 值的处理，是上线前必须验证的三个点。
